基于荧光光谱分析的玉米早期斑病害预测模型

斑病害在全球玉米产区均有爆发，严重影响玉米产量与品质，是一种常见的叶类疾病。荧光光谱技术能够快速、无损、准确地反映作物生理信息，动态检测其逆境响应规律。以玉米为研究对象，基于荧光光谱和生理参数(SPAD和Fv/Fm)融合分析，探究玉米生理参数对不同程度斑病害的响应规律，构建荧光光谱反演模型。首先，利用相关分析与峰值分析筛选荧光光谱的敏感波段，采用多元散射校正(MSC)、标准正态变量变换(SNV)、多项式平滑(S-G)、 FD光谱一阶导数、 SD光谱二阶导数等5种预处理及MSC-SG-FD, MSC-FD-SG, SNV-SG-FD, SNV-SG-SD等4种建模组合方法，以相关系数R²和均方根误差RMSE为模型效果评价指标，确定荧光光谱反演生理参数模型的最优方法。结果表明：不同斑病害程度下荧光光谱特性的整体变化趋势一致，但强度差异显著，在波段600.000～800.000 nm内，光谱反射率会出现明显的峰中心，达到极值。在波段900.000 nm之后，反射率趋于平稳，特征明显减少。对于潜伏期叶片，SPAD与Fv/Fm的建模最优方法均为SNV-SG-FD,R     

不同施肥条件下蔬菜叶绿素荧光-光谱特性研究

测定不同施肥条件下瓢菜、黄白菜的反射光谱及叶绿素荧光参数,以便进一步分析不同施肥条件下蔬菜生长生理及光谱、叶绿素荧光之间的响应关系。结果表明:(1)可见光波段内,黄白菜光谱反射率随生育期的推进呈增加的趋势,瓢菜光谱反射率随生育期的推进呈先增后减的趋势;在近红外波段,瓢菜、黄白菜光谱反射率随蔬菜生长发育逐渐增加。(2)不同施肥条件下蔬菜光谱反射率不同,特别是在近红外波段表现显著。生长期时,黄白菜在C3和C5水平上反射率较高,瓢菜在C2和C3水平上反射率较高;成熟期时,黄白菜在C5和C6水平上反射率较高;瓢菜在C3和C5水平上光谱反射率较高。(3)瓢菜、黄白菜叶绿素荧光参数Fv/Fm随生育期的推进总体呈增加的趋势,瓢菜Fv/Fm在C6水平上最高,黄白菜Fv/Fm在C2和C6水平上较高。(4)不同施肥条件下,蔬菜光谱特征参数与叶绿素荧光都表现出显著的正负相关关系。叶绿素荧光与光谱特性的这种关系,可为监测蔬菜生长生理和健康状况提供参考。     

水浸胁迫下植被高光谱遥感识别模型对比分析

随着全球气候变暖,我国洪涝灾害发生的频率及影响范围都不断增加。通过野外模拟试验,研究植被（玉米、甜菜）在水浸胁迫下的光谱变化特征,以构建高光谱遥感模型对水涝灾害范围进行监测。试验于2008年5月-8月在英国诺丁汉大学Sutton Bonington校区（52.8°N ,1.2°W）进行,每周采集一次样本并在室内测量其光谱数据。试验结果表明植被光谱在550,800～1300 nm区域反射率都稍有降低,而在680 nm区域反射率则略微增大。选取NDVI ,SIPI ,PRI ,SRPI ,GNDVI及R800* R550/R680共六个植被指数识别水浸胁迫下的植被,研究表明,指数SIPI与 R800* R550/R680对水浸胁迫玉米比较敏感,而指数SIPI ,PRI及 R800* R550/R680对水浸胁迫甜菜比较敏感。为寻找最优的识别模型,计算对照与水浸胁迫植被指数之间的归一化均值距离并进行对比分析,发现植被指数 R800* R550/R680的归一化均值距离在胁迫早期即大于其他指数的距离,说明该指数识别水浸胁迫植被的能力优于其他指数,且具有较强的敏感性与稳健性。因此,可以利用该指数快速地提取水浸面积,为救灾减灾决策提供信息支持。     

夏玉米叶片分层氮素营养的高光谱诊断

建立能够快速诊断作物氮素状况的光谱估算模型,对指导有效施肥具有现实意义。应用高光谱技术在夏玉米生育期研究了氮素在上下层叶片的分布规律及其氮素含量与植被指数的关系,并建立了叶片氮含量的估算模型。结果表明：夏玉米四个生育期(拔节期﹑大喇叭口期﹑抽雄期和灌浆期)上层叶氮含量均高于下层叶氮含量,抽雄期的下层叶片对氮素的缺乏反应敏感,生产上在抽雄期可以通过对下层叶片氮含量的监测来指导施肥。构建了三个时期(拔节、大喇叭口和抽雄期)各自最佳的估测叶片氮含量的模型。研究结果为作物氮素营养诊断及合理施肥提供了参考。     

基于灰色关联法的春小麦叶片含水量高光谱估测模型研究

利用高光谱植被指数反演植被水分含量时,快速、准确的找到实测光谱数据与植被水分相关性最高的植被指数是研究的重点。在农田尺度上,以春小麦野外光谱数据与叶片含水量的定量关系为基础,通过灰色关联度分析,筛选出与叶片含水量灰色关联度较高的5种典型的水分植被指数,并建立了估算春小麦叶片含水量(LWC)的偏最小二乘回归(PLSR)模型和BP神经网络(back propagation artificial neural networks, BP ANN)模型。结果表明：(1)光谱一阶导数可以有效去除噪声影响并突出光谱特征信息,尤其是在750～830,1 000～1 060和2 056～2 155 nm等区间明显提高了与LWC的相关性。(2)灰色关联法能够较好的表征各水分植被指数与叶片含水量间的关联性,其中基于原始光谱建立的前5个水分植被指数都是两波段比值植被指数,基于光谱一阶导数建立的水分植被指数基本上都是两波段归一化差值植被指数。(3)所建立的两种模型中,基于光谱一阶导数建立的PLSR和BP神经网络模型R2分别为0.80和0.81,稳定性基本相同且都较好;两种模型RMSE都是0.55,RPD分别为2.01和1.41,说明PLSR模型的预测精度比BP神经网络模型高。从模型的验证效果来看,PLSR模型在估算春小麦叶片含水量方面有一定的优势,为高光谱定量反演春小麦叶片含水量提供一定的参考。     

无人机高光谱的玉米冠层大斑病监测

大斑病是一种对玉米危害严重的病害,迫切的需要一种可以快速了解玉米大斑病病情的方法。以无人机遥感作为新的技术平台,探究玉米冠层受到大斑病胁迫时的光谱响应情况,并利用无人机高光谱成像技术对大斑病病情进行监测和可视化研究。采集玉米多生育期(抽雄期、灌浆期、完熟期)冠层500～900 nm的高光谱影像,根据采集影像的原始光谱和一阶微分光谱特征,提取出12个大斑病敏感波段位置, 12个波段位置分别为:514, 532, 553, 680, 714, 728, 756和818 nm,近红外、红、绿波段及红边位置。根据前人提出的植物病害监测参数结合提取的敏感波段位置,构建13组针对玉米冠层大斑病的监测光谱参数,研究不同波段对大斑病病情指数(DI)值的敏感性,并构建玉米冠层大斑病的监测模型,验证利用无人机遥感监测大斑病DI值的精度及稳定性。结果表明:随病情指数增加,一阶微分光谱图出现典型的"蓝移"现象,病害冠层DI值与红光(680～714 nm)和近红外(770～818 nm)的反射率及一阶微分光谱图的红边位置(680～756 nm)相关性更显著,与绿光波段相关性较低。在13组监测光谱参数中, 8组与建模样点冠层大斑病实测DI值达到极显著相关水平,决定系数(R~2)均达到0.8以上,选取各生育期R~2达到0.8以上的光谱参数用于玉米冠层大斑病监测模型的构建,将检验样本的实测值与监测模型的预测值进行相关性分析。检验表明,在抽雄期,模型DI-NDVI(SD_(λ_i), SD_(λ_j))的回归斜率(0.829 3)和决定系数(R~2=0.842 7)都最接近1,均方根误差(RMSE=4.59)和相对误差(RE=12.3)更小,说明模型DI-NDVI(SD_(λ_i), SD_(λ_j))的预测能力和精度更高。各生育期对应模型均取得较好监测效果,说明本研究利用无人机遥感对植物病害监测具有指导意义,对精准农业的发展具有一定的借鉴价值。     

主成分分析法与植被指数经验方法估测冬小麦条锈病严重度的对比研究

通过人工田间诱发不同等级小麦条锈病,在不同生育期测定染病冬小麦冠层光谱及其病情指数(disease index,DI)。利用主成分分析法提取冠层光谱350～1 350 nm范围内的前5个主成分(principal components,PCs),以及一阶微分光谱在蓝边(490～530 nm),黄边(550～582 nm)和红边(630～673 nm)内的前3个PCs,并利用逐步回归法建立反演模型,其结果分别与植被指数经验模型进行对比,结果表明:以一阶微分PCs为变量的模型精度优于其他模型,其RMSE为7.65,相对误差为15.59％。通过对预测值与实测值对比发现,以微分指数SDr′/SDg′为变量的模型适合监测冬小麦早期病情,而以一阶微分PCs为变量的模型特别适合监测冬小麦条锈病病情较严重期。研究结果对利用高光谱遥感监测与评估小麦病害程度具有实际应用价值。     

病害胁迫下棉花叶片色素含量高光谱遥感估测研究

通过小区和大田同步调查棉花黄萎病,在不同生育期测定病叶光谱及其色素含量。将病叶光谱反射率、一阶微分及相应的特征参数与色素含量进行相关分析,建立病叶色素含量估测模型并检验。结果表明：病叶叶绿素a,b及a+b含量可见光反射率、与一阶微分光谱在蓝边、黄边和红边处与除红边振幅(Dr)外的其他光谱特征参数间均达极显著相关。转换叶绿素吸收反射指数(TCARI)和新建归一化植被指数(NDVI[702, 758])对叶绿素a, b及a+b含量的估测精度最高,相对误差均小于1.3%。考虑到NDVI[702, 758]建立的模型更实用,可做为病叶叶绿素a, b和a+b含量的最佳估测模型。研究结果对高光谱信息定量估测病害棉叶色素含量,对利用高光谱监测棉花长势及病害影响评价均具有较高的实用价值。     

利用无人机高光谱估算冬小麦叶绿素含量

叶绿素含量（SPAD）是作物长势评价的重要指标,可以监测农作物的生长状况,对农业管理至关重要,因此快速、准确地估算SPAD具有重要意义。以冬小麦为研究对象,利用无人机高光谱获取了拔节期、挑旗期和开花期的影像数据,获取植被指数和红边参数,研究植被指数与红边参数估算SPAD的能力。先将植被指数与红边参数分别与不同生育期的SPAD进行相关性分析,再基于植被指数、植被指数结合红边参数,通过偏最小二乘回归（PLSR）方法估算SPAD,最后制作SPAD分布图验证模型的有效性。结果表明,（1）大部分植被指数与红边参数在3个主要生育期与SPAD相关性均达到极显著水平（0.01显著）;（2）单个植被指数构建的SPAD估算模型中,LCI表现最好（R2=0.56,RMSE=2.96,NRMSE=8.14%）,红边参数中Dr/Dr_min表现最好（R2=0.49,RMSE=3.18,NRMSE=8.76%）;（3）基于植被指数结合红边参数构建的SPAD估算模型效果最佳,优于仅基于植被指数构建的SPAD估算模型,同时,随着生育期推移,两种模型均在开花期达到最高精度,R2分别为0.73和0.78,RMSE分别为2.49和2.22,NRMSE分别为5.57%和4.95%。因此,基于植被指数结合红边参数,并使用PLSR方法可以更好地估算SPAD,可以为基于无人机遥感的SPAD监测提供一种新的方法,也可为农业管理提供参考。     

基于环境星CCD数据的环境植被指数及叶面积指数反演研究

利用PROSAIL前向模型模拟的植被冠层光谱,在植被指数构造时,引入修正大气、土壤背景影响的蓝、绿波段,构建了避免过早饱和的环境植被指数(environmental vegetation index,EVI)。基于多个典型冬小麦生育期的地面观测数据,建立基于EVI-LAI长时间序列反演模型,并对模型进行不同品种间的交叉检验。研究表明,EVI建立的叶面积指数(leaf area index,LAI)反演模型精度优于同类植被指数模型,并具有较好的普适性,能应用于冬小麦遥感多时相长势监测及LAI反演。     

光谱指数的植物叶片叶绿素含量估算模型

叶片叶绿素能够有效监测植被的生长状况,利用光谱指数反演植被叶绿素含量是目前的通用方法。实测了盐生植物光谱反射率和叶片叶绿素含量。对SPAD值进行变换,对比Pearson与VIP方法探讨盐生植被叶片叶绿素含量与植被指数的相关性并进行精度验证,从中选出最佳拟合模型。研究表明,通过对Pearson与VIP相关性分析,最终选定VIP方法建立植被指数的叶片叶绿素估算模型,NDVI₇₀₅,ARVI,CI_{red edge},PRI,VARI,PSRI和NPCI的VIP值均大于0.8,因此选定这七个植被指数为最优植被指数;预测结果显示,所有模型的相关性都在0.7以上,预测值与实测值相关性最好的是经过倒数变换的SPAD值,R=0.816,RMSE=0.007。基于VIP方法的反演模型能较好地估算研究区植被叶绿素含量,该方法为植物叶绿素含量诊断的实际应用提供了重要的理论依据和技术支持。     

植被氮素浓度高光谱遥感反演研究进展

氮素是植被进行生命活动的必需元素,它在蛋白质、核酸、叶绿素和酶等物质的生物合成中起重要作用,并在植被的光合作用中起到关键作用。植被氮素浓度高光谱遥感反演技术是自20世纪70年代以来的研究热点。近年来随着高光谱遥感技术的发展,可将光谱波段在某一光谱区域进行细分的优势,为与植被氮素相关的光谱特性研究提供了有力的技术手段。结合近几年主要地理科学文献上发表的植被氮素浓度高光谱遥感监测的最新研究成果,介绍了植被氮素浓度高光谱遥感监测的原理及相关问题。从植被氮光谱指数、叶绿素指数的植被氮含量反演、回归模型和反演植被氮浓度影响因素的消除方面,详细介绍了植被氮素浓度高光谱遥感反演这四个方面的主要技术方法,总结分析了研究结论,并讨论了研究发展趋势。     

基于光谱分析的草地叶绿素含量估测植被指数

对现有叶绿素遥感估测研究方法进行比较,确定植被指数法是其中最实用、普适性最强的研究方法。近年来,草地退化问题日益严峻,需要进一步从光谱分析、植物生化参数估测的角度加以研究,因而亟需建立一种用于反演草地植被叶绿素含量的植被指数。首先对四川省松潘草原和内蒙古自治区贡格尔草原的草地实测反射率光谱曲线及其一阶微分曲线进行分析,通过这两种光谱与叶绿素含量的相关性分析,找到红边区域（red-edge position, REP）与草地叶绿素含量之间的规律,即叶绿素含量越高,反射率一阶微分曲线的红边拐点（red-edge inflection point, REIP）取值越高,由此构建草地叶绿素含量估测植被指数（grassland chlorophyll index, GCI）,选取最适宜反演的波段,最后采用卫星高光谱影像计算GCI,将计算结果与野外试验观测的叶绿素含量数据进行精度分析验证。结果证明,对于草地叶绿素含量来说,GCI比其他叶绿素指数的敏感性更强,具有较高的草地叶绿素含量估测精度。GCI是第一个针对草地叶绿素含量估测而被提出的植被指数,其对遥感反演草地叶绿素含量具有广泛应用潜力。同时这种基于光谱分析的草原植被叶绿素含量估测方法为其他的草原植被生化参数估测、草原植被生长状况评价以及草地生态环境变化大面积监测提供了新的研究思路。     

遥感数据在农业旱情监测中的应用研究进展

在全球变暖的背景下,农业干旱频发不仅严重影响区域粮食安全和生态安全,同时还威胁社会经济稳定和可持续发展。农业旱情遥感监测是预防农业旱灾发生发展的重要途径,可以为科学制定旱灾风险管理措施提供有力支撑。因此,厘清农业旱情遥感监测研究进展对于今后更好地开展农业旱情监测及预警研究以及进一步促进社会经济的可持续发展具有重要的现实意义。基于此,系统梳理了当前遥感数据在农业旱情监测中的应用研究进展。针对不同的农业旱情评价对象,将旱情监测指标分为降水监测指标、土壤含水量监测指标和作物需水监测指标,并对不同指标涉及的遥感数据源和评价方法进行了归纳和总结。重点针对农业旱情监测涉及的最主要的两种典型地物（土壤和植被）的光谱特性差异和对水分变化的敏感波段不同,系统总结了微波遥感监测法,可见光、近红外与热红外遥感监测法和高光谱遥感监测法用于农业典型地物旱情监测的近今进展,并探讨了未来农业旱情遥感监测研究的主要发展方向,以期为今后更好地开展农业旱情预警和调控管理工作提供参考。     

基于Sentinel-2A影像的玉米冠层叶绿素含量估算

农作物叶片中的叶绿素通过吸收光能参与光合作用产生化学能,及时、准确地估算叶绿素含量对于农作物长势、养分含量监测、品质评价和产量估算具有重要意义。Sentinel-2卫星的重访周期为5 d,空间分辨率为10 m,具有13个光谱波段,其中包括三个波宽仅为15 nm对叶绿素含量变化敏感的红边波段,是叶绿素含量估算的理想数据源。植被指数是基于农作物在不同波段的反射特性,通过不同波段组合方式刻画长势和叶绿素含量的差异,可用于大区域范围内的玉米冠层叶绿素含量快速、精确估算。以Sentinel-2A影像为数据源,开展基于多种植被指数的玉米冠层叶绿素含量估算方法研究。课题组于2016年8月6-11日在河北省保定市（115°29′-116°14′E,39°5′-39°35′N）进行玉米冠层叶绿素含量的实地测量,并在每个采样位置上采用中绘i80 智能RTK(real-time kinematic)测量系统进行定位。Sentinel-2A影像预处理工作包括几何校正、辐射定标和大气校正,其中大气校正使用Sen2Cor模型和SNAP模型。首先,基于预处理后的Sentinel-2A遥感影像,分别计算CI_green(green chlorophyll index), CI_red-edge(red-edge chlorophyll index), DVI(difference vegetation index), LCI(leaf chlorophyll index), MTCI(MERIS terrestrial chlorophyll index), NAVI(normalized area vegetation index), NDRE(normalized difference red-edge), NDVI(normalized difference vegetation index), RVI(ratio vegetation index), SIPI(structure insensitive pigment index)植被指数。然后,建立样方位置上实测叶绿素含量与各植被指数的统计关系,从而构建玉米冠层叶绿素含量估算模型,并以野外实测玉米冠层叶绿素含量为依据,对基于各植被指数的估算结果进行精度评价。最后,利用筛选出的最优叶绿素含量估算模型,估算研究区内的玉米冠层叶绿素含量。研究的目标为：（1）通过比较分析,构建合适的玉米冠层叶绿素含量估算模型,估算精度以决定系数R2、均方根误差RMSE以及相对误差RE作为评价指标;（2）确定最优波段组合方案：在红边波段中选择与可见光、近红外波段组合效果更优的波段组合方案;（3）确定参与植被指数计算的红边波段的最优数量。精度评价结果表明：（1）选用的植被指数与玉米冠层叶绿素含量呈多项式拟合关系,其中使用红边波段计算的植被指数的估算结果明显优于未使用红边波段的估算结果;红边波段引入后明显提高了可见光、近红外波段对叶绿素含量的拟合的精度,CI_{green(560, 705)}指数比CI_{green(560, 842)}的回归模型R2提高0.516,红边波段参与计算的DVI相对于RVI来说,估算结果更稳定。（2）对于不同的植被指数,参与运算的Sentinel-2A影像的两个红边波段,估算精度的提高程度不同。对于可见光波段参与计算的植被指数来说,在红边波段1（中心波长为705 nm）的估算精度较高,如LCI,CI_green,DVI和RVI等;对于近红外波段参与计算的植被指数来说,在红边波段2（中心波长为740 nm）的估算精度较高,如CI_red-edge,NDRE和NAVI等。（3）对于Sentinel-2A影像来说,两个红边波段共同参与叶绿素含量估算时能取得最高的的估算精度。选用的植被指数中,MTCI_{(665, 705, 740)}指数与玉米冠层叶绿素含量估算精度最高,回归模型拟合精度R2为0.803,模型验证R2为0.665,RMSE为3.185,相对误差RE为4.819%。MTCI_{(665, 705, 740)}指数计算中使用了两个红边波段,突出红边波段反射率差值变化,与玉米冠层叶绿素含量表现出很好的相关性。最后,利用优选出的基于MTCI指数的叶绿素含量估算模型,对研究区范围内的叶绿素含量进行估算并完成空间制图。     

利用高光谱植被指数估测苹果树冠层叶绿素含量

叶绿素含量是反映植物生长状况的重要参数。利用ASD FieldSpec 3光谱仪,测定春梢停止生长期苹果冠层高光谱反射率,对原始光谱进行微分变换,与苹果叶绿素含量进行相关分析确定敏感波段,通过分析敏感区域400～1 350 nm范围内所有两波段组合的植被指数,选择最佳植被指数并建立苹果冠层叶绿素含量估测模型。结果表明：(1)苹果冠层叶绿素含量的敏感波段区域为400～1 350 nm。(2)利用筛选得到的植被指数CCI(D₇₉₄/D₇₆₃)构建的估测模型能较好的估测苹果冠层叶绿素含量。(3)以CCI(D₇₉₄/D₇₆₃)指数为自变量的估测模型CCC=6.409+1.89R3+1.587R2-7.779R预测效果最佳。因此,利用高光谱技术能够较快速、精确的对苹果冠层叶绿素含量进行定量化反演,为苹果长势的遥感监测提供理论依据。     

西北盐碱土理化性质的高光谱建模及预测

高光谱数据具有光谱分辨率高、波段连续性强、信息丰富等特点,在土壤信息的监测中得到广泛应用。利用高光谱遥感技术测定盐渍化土壤属性对灌区农作物的生长和农业可持续发展具有重要意义。采集玛纳斯河流域221个土壤样品,分别测定土壤电导率(EC)、有机质(SOM)和Na+, Ca2+, Mg2+三种离子浓度含量等土壤理化性质和光谱反射率曲线,并由三种离子含量得出钠吸附比值(SAR),采用逐步线性回归方法建立EC,SOM和SAR与原始光谱反射率(R)、标准正态变量(SNV)、归一化差异植被指数(NDVI)、倒数的对数(LR)、一阶微分(FDR)和去包络线(CR)等六种指标的模型。模型验证结果表明,相较其他五种变量的模型,以R为自变量的EC对数模型精度最高,相关系数为0.782,均方根误差为0.256。以NDVI为自变量的土SOM预测模型精度最高,相关系数为0.670,均方根误差为5.352。以FDR为自变量的SAR预测模型精度最高,相关系数为0.647,均方根误差为1.932。EC预测模型效果最好,SOM预测模型次之,SAR预测模型精度最低。最优模型中EC,SOM和SAR的敏感波长分别分布于395~1 801,352~1 144和394~1 011 nm波段。由于土壤中各属性的差异和不同成分空间分布的变异性,对于不同土壤性质的建模和验证结果差异较大。本研究可为盐渍化土壤的高光谱遥感监测提供依据。     

土壤镉污染环境下水稻叶片叶绿素含量监测的高光谱遥感信息参数

农田重金属污染是当今世界面临的重大生态环境问题之一,与环境质量、人类生存和粮食安全关系密切,是普遍关注的重要课题。利用Hyperion高光谱卫星遥感数据和大量地面实验测量数据,系统分析受镉污染的水稻叶片中叶绿素含量变化及其与高光谱遥感数据的响应关系,建立基于水稻叶绿素变化的农田镉污染遥感监测模型。利用多重判别分析法,确定监测水稻叶绿素变化的敏感遥感参数,作为镉污染的响应因子,进行农田污染遥感监测信息机理分析,并建立了污染监测机理遥感模型。研究结果表明,众多的遥感参数中,MCARI(modified chlorophyll absorption in reflectance index) 对镉污染的水稻叶绿素含量变化最为敏感,响应系数达到0.59。因此,可以通过该高光谱遥感参数的变化初步监测大面积土壤镉污染,但估算精度还有待进一步提高。     

冬小麦条锈病严重度不同估算方法对比研究

为了提高遥感监测小麦条锈病病害严重度的准确性,寻找小麦病害的较优反演模型,在国家精准农业示范研究基地基于野外定位调查小麦病情指数及冠层光谱数据,利用与小麦病害发生呈显著关系且有效反映植被生理生长状况的7种高光谱植被指数,尝试分别采用PLS(偏最小二乘回归)、BP神经网络和植被指数经验法三种方法建立小麦条锈病病情反演模型,并进行比较分析。结果表明：三种方法病害严重度预测值与实测值间的R2分别为0.936,0.918,0.767。采用偏最小二乘回归方法监测小麦病情指数效果更好,为探寻不同种类植被指数对模型的贡献,尝试用代表植被绿度的NDVI, GNDVI, MSR和代表水分含量的NDWI和MSI植被指数分别作为PLS模型的输入变量,建立病害反演模型。结果表明：小麦条锈病中,叶片叶绿素含量的变化比冠层水含量的变化对病情指数更为敏感,对病害有更好的解释作用。然而,两模型精度都低于七种植被指数全部参与时的预测结果,即输入变量中采用多种植被指数比用单类指数模拟准确度高。